ARTÍCULO DE INVESTIGACIÓN - EDICIÓN ESPECIAL CNIB 2016
ib
Vol. 38 | No. 1 | ENERO - ABRIL 2017 | pp 208-216dx.doi.org/10.17488/RMIB.38.1.15
Prediciendo la Actividad Cardíaca de la Almeja Tivela stultorum
con Digoxina Utilizando Redes Neuronales Artificiales
Predicting the Cardioactivity of Tivela stultorum clam with Digoxin Using
Artificial Neural Networks
D. Flores1, C. Gómez1, D. Cervantes1, A. Abaroa1, C. Castro1, R. Castañeda-Martínez1 1Universidad Autónoma de Baja California.
RESUMEN
Las redes neuronales artificiales (RNA) son un método computacional extensamente utilizado para resolver pro-blemas complejos y realizar predicciones en sistemas de relación no lineal. En este trabajo se utilizaron RNA para predecir la respuesta fisiológica obtenida al adicionar una concentración específica de digoxina a corazones de Ti-vela stultorum, un organismo modelo para probar fármacos cardíacos que se pretenden utilizar en humanos. Las entradas de la RNA fueron el peso, volumen, largo y ancho del corazón, la concentración de digoxina, el volumen utilizado para la dilución de digoxina, el máximo y mínimo de contracción, tiempo de llenado, y frecuencia cardíaca antes de adicionar la digoxina, las salidas fueron el máximo y mínimo de contracción, tiempo de llenado y frecuen-cia cardíaca esperados después de agregar digoxina al corazón. Las RNA se entrenaron, validaron y probaron con los resultados de experimentos in vivo. Para elegir la red óptima se utilizó el valor más pequeño del error medio cuadrado. Se obtuvo una correlación alta entre los valores predichos y calculados, excepto en el caso del tiempo de llenado. Se lograron obtener predicciones acertadas de la cardioactividad de la almeja T. stultorum cuando se les agrega una concentración específica de digoxina haciendo uso de RNA; esto con el fin de utilizarse como una herra-mienta para facilitar las pruebas en el laboratorio de los efectos de la digoxina.
ABSTRACT
Artificial neural networks (ANN) are a computational method that has been widely used to solve complex prob-lems and carry out predictions on nonlinear systems. Multilayer perceptron artificial neural networks were used to predict the physiological response that would be obtained by adding a specific concentration of digoxin to Tivela stultorum hearts, this organism is a model for testing cardiac drugs that pretends to be used in humans. The MLP-ANN inputs were weight, volume, length, and width of the heart, digoxin concentration and volume used for dilut-ing digoxin, and maximum contraction, minimum contraction, filldilut-ing time, and heart rate before adddilut-ing digoxin, and the outputs were the maximum contraction, minimum contraction, filling time, and heart rate that would be obtained after adding digoxin to the heart. ANNs were trained, validated, and tested with the results obtained from the in vivo experiments. To choose the optimal network, the smallest square mean error value was used. Percep-trons obtained a high performance and correlation between predicted and calculated values, except in the case of the filling time output. Accurate predictions of the T. stultorum clams cardioactivity were obtained when a specific concentration of digoxin was added using ANNs with one hidden layer; this could be useful as a tool to facilitate laboratory experiments to test digoxin effects.
KEYWORDS: Artificial neural networks, cardioactivity, digitalis, pharmacological response, Tivela stultorum.
Correspondencia
DESTINATARIO: Dora-Luz Flores
INSTITUCIÓN: Universidad Autónoma de Baja California DIRECCIÓN: Carretera Transpeninsular Ensenada-Tijuana
#391, C.P. 22860, Col. Playitas, Ensenada, B.C., México
CORREO ELECTRÓNICO: dflores@uabc.edu.mx
Fecha de recepción:
3 de octubre de 2016REVISTA MEXICANA DE INGENIERÍA BIOMÉDICA | Vol. 38 | No. 1 | ENERO - ABRIL 2017
210
INTRODUCCIÓN
La digoxina es un glucósido cardiotónico pertene-ciente a los digitálicos, compuestos amplia-mente uti-lizados como fármacos para el tratamiento de insufi-ciencia cardíaca congestiva y taquiarritmia auricular
[1]. La digoxina actúa como un inhibidor de la actividad
enzimática de la Na+/K+-ATFasa en cardiomiocitos [2]. El
corazón genera una respuesta fisiológica como conse-cuencia de esta inhibición: se aumenta la fuerza máxima de contracción muscular y la velocidad de llenado ventricular, efecto conocido como inotrópico positivo; y se reduce la frecuencia cardíaca, efecto conocido como cronotrópico negativo.
En la actualidad, las enfermedades cardiovasculares son la principal causa de defunción en todo el mundo, de acuerdo con la Organización Mundial de la Salud. Para combatir estos padecimientos, una de las propuestas es el desarrollo de nuevos fármacos que deben ser proba-dos en organismos modelos antes de ser utilizaproba-dos en humanos. La elección del organismo modelo a utilizar dependerá del estudio que se hará, en este trabajo se utilizó el corazón de T. stultorum debido a que presenta un bajo costo de adquisición, es fácil de manipular y tiene una respuesta uniforme [3, 4]. Al igual que en
cora-zones humanos, la superficie endocárdica de coracora-zones de moluscos es similar a los músculos suaves de mamí-feros, además de que su frecuencia cardíaca puede llegar a valores comparables a los de humanos (60 latidos por minuto), este valor puede ser modificado por factores de estrés o compuestos químicos como fármacos [5, 6].
Un modelo in silico que prediga la respuesta fisioló-gica que se obtiene al administrar una cantidad de fármaco podría complementar a los modelos in vivo; de esta manera se reduciría el sacrificio de animales, así como los experimentos en laboratorio. Por esta razón, la predicción de la cardioactividad específica que se obtiene al administrar una cantidad de digo-xina puede ser de gran interés en el campo de la farma-cología, así como en el de biosimulación.
Las redes neuronales artificiales (RNA) son un método computacional cuyo diseño y funcionamiento está basado en el comportamiento de las neuronas biológi-cas del cerebro humano. Éstas se han utilizado amplia-mente en aplicaciones enfocadas a modelado de siste-mas biológicos complejos, debido a su capacidad de reconocer patrones y relaciones de tipo no lineal, pro-cesar variables complejas y modelar funciones de pre-dicción [7, 8]. Estas redes están formadas por varias
uni-dades elementales llamadas neuronas, interconectadas entre sí, donde cada una tiene un peso.
El perceptrón es un tipo de RNA, aunque también puede entenderse como la unidad básica del mismo; éste suma todas las señales de entrada y las multiplica por los pesos previamente inicializados de manera aleatoria. Mediante un proceso de entrenamiento, el perceptrón es capaz de distinguir patrones de entrada complejos [8].
Las RNA de topología perceptrón multicapa (PMC) son un método que ha demostrado un buen funciona-miento en el área del modelado farmacocinético y far-macodinámico debido a su capacidad de simular siste-mas no lineales y procesar variables fisiológicas depen-dientes e independepen-dientes [7, 9]. Éstas redes han sido
ampliamente utilizadas en sistemas complejos que requieren predicción, sistema de soporte de decisio-nes, pacientes tratados con digoxina, entre otros [10-13].
METODOLOGÍA
Conjunto de datos
Las lecturas de la actividad cardíaca de 25 ventrículos de T. stultorum fueron proporcionadas por el Laboratorio de Farmacología Marina, contando con un conjunto de datos de 4, 113 × 10, en donde se encon-traba la fuerza de contracción del músculo cardíaco respecto con el tiempo, haciendo una distinción en el tiempo antes y después de agregar una cantidad de digoxina. Las diez variables utilizadas antes de la adi-ción de la digoxina fueron: máximo y mínimo de con-tracción, tiempo de llenado ventricular, frecuencia cardíaca antes de la digoxina, peso, volumen, largo y ancho del corazón, concentración de digoxina y volu-men utilizado para la dilución de digoxina; mientras que para las cuatro salidas se consideraron el máximo y mínimo de contracción, tiempo de llenado y frecuen-cia cardíaca, después de agregar la digoxina.
Preparación de la información
Las lecturas contenían más de un millón de datos en crudo correspondientes a los 25 corazones, obtenidos utilizando un transductor de fuerza Thornton tipo 420. La configuración del sistema se describe en [4]. Cada
máximo local se tomó como un máximo de fuerza de contracción y cada mínimo local, como un mínimo de fuerza de contracción; el tiempo de llenado se tomó como el tiempo que tarda la cámara ventricular en lle-narse de fluido sanguíneo y vaciarse, esto es, el tiempo que transcurre entre un latido y otro; y la frecuencia cardíaca se tomó como la cantidad de latidos en un minuto.
El resto de las variables de entrada fueron proporcio-nadas de los experimentos in vivo. Las RNA fueron ali-mentadas con los 4, 113 datos de entrada extraídos de las 25 lecturas de la actividad cardíaca, estandarizados a valores de z (media = 0, desviación estándar = 1). Los datos de salida fueron normalizados de una forma cen-tralizada en el rango [−1, 1].
Modelo predictivo basado en RNA
Se introdujeron diez variables como entradas de las RNA, y cuatro variables de salida. Se utilizó la tan-gente hiperbólica como función de activación, es decir, la función que genera la salida [8]. Esta es una función
sigmoide que ayuda a que las RNA aprendan más rápido en relación con otras funciones [14], se utiliza
cuando la normalización de los datos va de −1 a 1.
La topología de PMC que se utilizó se describe como 10 − N − 4, en donde 10 y 4 son el número de entradas y salidas, respectivamente, y N es el número de neuro-nas en la capa oculta del PMC. N es un número par desde 2 hasta 30.
Para validar las RNA se utilizó el método de submues-treo aleatorio, un tipo de validación cruzada que con-siste en dividir de manera aleatoria los datos en sub-conjuntos para entrenar y probar las redes; diferentes para cada iteración [15]. A su vez se utilizó un método
conocido como validación hold-out [15] para el cual se
utilizó el criterio de parada early-stopping, que con-siste en detener el entrenamiento de la red cuando el error del subconjunto de validación deja de disminuir y comienza a aumentar [15-17]. Para esta validación, el
conjunto de datos se dividió en tres subconjuntos: 50 % para el entrenamiento, 25 % para validación, y el 25 % restante para probar el desempeño de la red. Cuando no se utilizó la validación hold-out, las redes se entre-naron hasta llegar a 100 épocas utilizando el 75 % de los datos, mientras que el 25 % restante se utilizó para probar la red. Para entrenar a las RNA-PMC se utiliza-ron los algoritmos de entrenamiento de Levenberg-Marquardt (LM), Regulación Bayesiana (RB), Propagación Resiliente (PR) y Gradiente Conjugado Escalado (GCE), versiones modificadas del algoritmo de retropropagación [8]. Cada arquitectura de red
dife-rente se corrió 20 veces con y sin validación hold-out.
REVISTA MEXICANA DE INGENIERÍA BIOMÉDICA | Vol. 38 | No. 1 | ENERO - ABRIL 2017
212
medio cuadrado (EMC), raíz del error medio cuadrado (REMC), y el coeficiente de regresión R2; estos
paráme-tros fueron un promedio de las 20 corridas para cada arquitectura, con el fin de reducir cualquier sesgo sobre la selección aleatoria de los datos [14]. El entrenamiento se
optimizó en relación con el criterio donde se asume que mientras más bajo sea el EMC, el modelo simula mejor.
Este método consiste en calcular la magnitud de la contribución de variable de entrada sobre la salida [14].
Para obtener los valores de las contribuciones se usan los pesos de las neuronas y se asocian con las variables de entrada [10]. Las variables con una importancia
rela-tiva baja pueden ser omitidas del modelo sin tener una pérdida significativa del desempeño del mismo, resul-tando en redes con menor número de variables de entrada, reduciendo así el tiempo de procesamiento necesario para resolver la red [15].
Evaluación de las contribuciones relativas
RESULTADOS Y DISCUSIÓN
En la Tabla 1 se muestran los valores de EMC, REMC y los coeficientes R2 para cada variable de salida de las
mejores configuraciones de perceptrones. La configu-ración con el rendimiento más bajo fue la del algoritmo
PR con 28 neuronas sin validación hold-out, obte-niendo un EMC de 0.051440; por otro lado, la mejor configuración fue obtenida a través del algoritmo RB con 24 neuronas y validación hold-out, obteniendo un EMC de 0.002143 y coeficientes de R2 por encima de
0.97 a excepción del tiempo de llenado del corazón, donde se obtuvo un valor de 0.5442, el cual muestra que la relación del tiempo de llenado con las entradas de las redes es baja en comparación con la frecuencia cardíaca y el máximo y mínimo de contracción.
El desempeño más alto de las redes sin validación
hold-out se vio dividida entre los algoritmos RB y LM
en relación con GCE y PR como se muestra en la Figura 1, este comportamiento muestra que los algoritmos con menor tiempo de procesamiento consiguen valo-res de EMC altos, mientras que los algoritmos de mayor tiempo obtienen EMC bajos. De igual forma se presenta un comportamiento similar a las configura-ciones con validación hold-out (Figura 2), a excepción de las últimas configuraciones de LM y RB; ya que, a partir de las 20 neuronas en la capa oculta, se tiene un aumento del EMC, entendiéndose como un sobre entrenamiento de la red, provocando una pobre pre-dicción de los valores de salida.
TABLA 1: Algoritmos de entrenamiento y parámetros de desempeño para el conjunto de datos evaluados
en las mejores redes neuronales artificiales.
D. Flores et al. Prediciendo la A ctividad Cardíaca de la Almeja Tivela stultorum 9
Tabla 1: Algoritmos de entrenamiento y parámetros de desempeño para el conjunto de datos evaluados en las mejores redes neuronales artificiales.
R2
Algoritmo de Validación Número de EMC REMC Maxb Minc TdLd FCe
entrenamientoa hold-out neuronas
RB No 10 0.0113 0.1064 0.9368 0.9733 0.2720 0.9153
Sí 24 0.0021 0.0463 0.9837 0.9983 0.5442 0.9782
LM No 12 0.0094 0.0971 0.9408 0.9785 0.2854 0.9274
Sí 22 0.0024 0.0493 0.9839 0.9978 0.3438 0.9761
GCE No 24 0.0423 0.2055 0.7550 0.8121 0.0179 0.6699
Sí 14 0.0187 0.1368 0.8667 0.9382 0.2053 0.8713
PR No 28 0.0514 0.2268 0.7140 0.7960 0.0826 0.6287
Sí 30 0.0382 0.1956 0.7761 0.8428 0.0972 0.6959
aRegulación Bayesiana (RB), Levenberg-Marquardt (LM), Gradiente Conjugado Escalado (GCE) y Propagación Resiliente (PR);bMáximo nivel de
contracción ventricular;cMínimo nivel de contracción ventricular;dTiempo de llenado del corazón yeFrecuencia cardíaca.
Tabla 2: Importancia relativa ( %) de las variables de entrada∗.
Arquitectura/ Validación Variables de entradab
Algoritmoa hold-out MaFC MiFC TL FC Peso VolC Lar Anc VolD ConcD
10−10−4/RB No 8.96 12.47 5.66 6.45 14.67 10.15 7.24 13.08 9.21 12.06
10−24−4/RB Sí 5.00 7.35 3.12 3.86 14.40 17.14 12.68 13.03 8.26 15.10
10−12−4/LM No 9.36 9.46 4.85 6.93 14.55 12.16 8.17 12.89 9.03 12.56
10−22−4/LM Sí 6.00 7.31 4.05 4.77 13.65 16.09 12.53 13.08 8.15 14.33
10−28−4/PR No 10.60 10.36 9.90 9.85 10.03 9.67 10.27 9.36 9.94 9.95
10−30−4/PR Sí 10.08 11.59 9.12 9.78 9.85 9.41 10.49 10.40 9.53 9.71
10−24−4/GCE No 10.16 10.07 9.29 10.18 10.36 10.47 9.44 9.80 10.15 10.03
10−14−4/GCE Sí 10.15 11.83 9.65 9.97 9.76 9.48 9.59 10.31 9.32 9.88
∗Los valores mostrados son los promedios de 20 corridas independientes a las usadas para determinar el desempeño de las redes.
aRegulación Bayesiana (RB), Levenberg-Marquardt (LM), Propagación Resiliente (PR) y Gradiente Conjugado Escalado (GCE).
bMáximo de fuerza de contracción (MaFC), mínimo de fuerza de contracción (MiFC), tiempo de llenado (TL), frecuencia cardíaca (FC), volumen
FIGURA 1: Valores promedios del error medio cuadrado de las 20 corridas de los 4 algoritmos de entrenamiento sin
vali-dación hold-out de acuerdo con el número de nodos en la capa oculta.
FIGURA 2: Valores promedios del error medio cuadrado de las 20 corridas de los 4 algoritmos de entrenamiento con
vali-dación hold-out de acuerdo con el número de nodos en la capa oculta.
En la Tabla 2 se muestran los resultados del análisis de las contribuciones relativas de las mejores seis redes determinadas a partir de la Tabla 1; dicho análi-sis determina la influencia de las variables de entrada respecto con las de salida. Los valores mostrados se obtuvieron del promedio de 20 iteraciones de cada configuración independientes a las usadas para deter-minar el desempeño de las redes. Estas contribuciones muestran una distribución equilibrada en su mayoría,
REVISTA MEXICANA DE INGENIERÍA BIOMÉDICA | Vol. 38 | No. 1 | ENERO - ABRIL 2017
214
TABLA 2: Importancia relativa ( %) de las variables de entrada*.
D. Flores et al. Prediciendo la A ctividad Cardíaca de la Almeja Tivela stultorum 9
Tabla 1: Algoritmos de entrenamiento y parámetros de desempeño para el conjunto de datos evaluados en las mejores redes neuronales artificiales.
R2
Algoritmo de Validación Número de EMC REMC Maxb Minc TdLd FCe
entrenamientoa hold-out neuronas
RB No 10 0.0113 0.1064 0.9368 0.9733 0.2720 0.9153
Sí 24 0.0021 0.0463 0.9837 0.9983 0.5442 0.9782
LM No 12 0.0094 0.0971 0.9408 0.9785 0.2854 0.9274
Sí 22 0.0024 0.0493 0.9839 0.9978 0.3438 0.9761
GCE No 24 0.0423 0.2055 0.7550 0.8121 0.0179 0.6699
Sí 14 0.0187 0.1368 0.8667 0.9382 0.2053 0.8713
PR No 28 0.0514 0.2268 0.7140 0.7960 0.0826 0.6287
Sí 30 0.0382 0.1956 0.7761 0.8428 0.0972 0.6959
aRegulación Bayesiana (RB), Levenberg-Marquardt (LM), Gradiente Conjugado Escalado (GCE) y Propagación Resiliente (PR);bMáximo nivel de
contracción ventricular;cMínimo nivel de contracción ventricular;dTiempo de llenado del corazón yeFrecuencia cardíaca.
Tabla 2: Importancia relativa ( %) de las variables de entrada∗.
Arquitectura/ Validación Variables de entradab
Algoritmoa hold-out MaFC MiFC TL FC Peso VolC Lar Anc VolD ConcD
10−10−4/RB No 8.96 12.47 5.66 6.45 14.67 10.15 7.24 13.08 9.21 12.06
10−24−4/RB Sí 5.00 7.35 3.12 3.86 14.40 17.14 12.68 13.03 8.26 15.10
10−12−4/LM No 9.36 9.46 4.85 6.93 14.55 12.16 8.17 12.89 9.03 12.56
10−22−4/LM Sí 6.00 7.31 4.05 4.77 13.65 16.09 12.53 13.08 8.15 14.33
10−28−4/PR No 10.60 10.36 9.90 9.85 10.03 9.67 10.27 9.36 9.94 9.95
10−30−4/PR Sí 10.08 11.59 9.12 9.78 9.85 9.41 10.49 10.40 9.53 9.71
10−24−4/GCE No 10.16 10.07 9.29 10.18 10.36 10.47 9.44 9.80 10.15 10.03
10−14−4/GCE Sí 10.15 11.83 9.65 9.97 9.76 9.48 9.59 10.31 9.32 9.88
∗Los valores mostrados son los promedios de 20 corridas independientes a las usadas para determinar el desempeño de las redes.
aRegulación Bayesiana (RB), Levenberg-Marquardt (LM), Propagación Resiliente (PR) y Gradiente Conjugado Escalado (GCE).
bMáximo de fuerza de contracción (MaFC), mínimo de fuerza de contracción (MiFC), tiempo de llenado (TL), frecuencia cardíaca (FC), volumen
del corazón (VolC), largo del corazón (Lar), ancho del corazón (Anc), volumen de la dilución de digoxina (VolD) y concentración de digoxina (ConcD).
El parámetro del EMC de las 20 corridas de las confi-guraciones que se obtuvieron se acercaron al cero. Para el algoritmo RB se observa un máximo de EMC cuando el número de neuronas en la capa oculta aumenta, este fenómeno para ese algoritmo concuerda con otros tra-bajos [14-17], y puede deberse a que una alta cantidad de
neuronas aumenta la complejidad del modelo innece-sariamente y reduce su capacidad de generalización. Para la variable de tiempo de llenado los valores obte-nidos fueron menores a 0.54, lo que sugiere que para esta variable, las entradas no están altamente relacio-nadas; esto puede deberse a que en los experimentos in
vivo, la digoxina no afectó significativamente al tiempo
de llenado ventricular, por lo que no existe una diferen-cia significativa entre éste parámetro antes y después de la adición del fármaco. La capacidad tan alta de generalización obtenida con las RNA se debe en gran medida al preprocesado de los datos, la estandariza-ción de las entradas y la normalizaestandariza-ción de las salidas.
El algoritmo de entrenamiento PR con y sin valida-ción hold-out, muestra un rendimiento considerable-mente menor que los otros tres, tomando en cuenta los parámetros EMC y R2, lo cual también es consistente
con otros trabajos [14-15]. Sin embargo, el tiempo
compu-tacional requerido para el algoritmo PR fue el menor de los cuatro utilizados.
Para el modelo con la capacidad de predicción más alta (RB con 24 neuronas y validación hold-out), los coeficientes R2 cercanos a la unidad indican una
corre-lación muy fuerte entre la cantidad de fármaco aña-dido y la respuesta farmacodinámica del corazón refle-jada en las variables fisiológicas de tiempo de llenado ventricular, frecuencia cardíaca, y máximo y mínimo de contracción ventricular.
CONCLUSIONES
Debido a la relación farmacológica entre las variables de entrada estudiadas y los parámetros de la actividad cardíaca de salida, las entradas influyeron significati-vamente en éstas, a excepción del tiempo de llenado del corazón, que tuvo una correlación con las entradas considerablemente más baja que las otras salidas. Esta relación consiste en que la digoxina aumenta la fuerza máxima de contracción muscular, mientras que reduce la frecuencia cardíaca y el tiempo de llenado. Una de las variables de entrada que mostró una importancia de interés fue la concentración de digoxina como se muestra en la Tabla 2.
La predicción de la actividad cardíaca de corazones de
T. stultorum es difícil debido a la cantidad de factores
que influyen en el fenómeno; sin embargo, esta pre-dicción fue posible utilizando un modelo de RNA-PMC con la configuración adecuada. Se lograron obtener varios modelos con una alta capacidad de predicción de los parámetros biofísicos de corazones de T.
stul-torum (Tabla 1). Los modelos obtenidos presentaron
REVISTA MEXICANA DE INGENIERÍA BIOMÉDICA | Vol. 38 | No. 1 | ENERO - ABRIL 2017
216
REFERENCIAS
[1] Yang, E. H., Shah, S., and Criley, J. M., “Digitalis Toxicity: A Fading
but Crucial Complication to Recognize”, Am. J. Med., vol. 125, no.
4, pp. 337-343, Abril 2012. doi: 10.1016/j.amjmed.2011.09.019
[2] Ziff, O. J., and Kotecha, D., “Digoxin: The good and the bad”,
Trends Cardiovasc. Med., en prensa. doi: 10.1016/j.
tcm.2016.03.011
[3] Cuéllar-Roehri, M., “Utilización de la almeja pismo Tivela
stulto-rum (Mawe, 1823) como organismo de prueba para glucósidos car-diotónicos”, tesis de licenciatura, Lic. Oceanología, Universidad Autónoma de Baja California, Baja California, México, 1991.
[4] Guerra, G., “Evaluación experimental del uso del corazón de almeja
pismo (Tivela stultorum) como modelo biológico en farmacología marina”, tesis de maestría, maestría en ciencias, Universidad Autónoma de Baja California, Baja California, México, 1994.
[5] Collis, L. P., Sun, Y., and Hill, R. B., “Length-dependent
deactiva-tion of ventricular trabeculae in the bivalve, Spisula solidissima.”,
J. Comp. Physiol. B, 176, pp. 371?385, 2006. doi:
10.1007/s00360-005-0060-9
[6] Kodirov, S. A., “The neuronal control of cardiac functions in
Molluscs.” Comp. Biochem. Physiol. 160(A), pp. 102-116, 2011. doi:
10.1016/j.cbpa.2011.06.014
[7] Kareem, S. S., and Pathak, Y., “Clinical Applications of Artificial
Neural Networks in Pharmacokinetic Modeling.” En Puri, M., Pathak, Y., Sutariya, V. K., Tipparaju, S., and Moreno, W. (Eds.), Artificial Neural Network for Drug Design, Delivery and Disposition
(pp. 393-405). Elsevier Inc., 2016. doi:
10.1016/B978-0-12-801559-9.00020-X
[8] Ponce, P., “Inteligencia artificial con aplicaciones a la ingeniería”,
ISBN: 978-607-7854-83-8, 2010.
[9] Agatonovic-Kustrin, S., and Beresford, R., “Basic concepts of
artifi-cial neural network (ANN) modeling and its application in pharma-ceutical research”, J. Pharm. Biomed. Anal., vol. 22, pp. 717-727,
2000. doi: 10.1016/S0731-7085(99)00272-1
[10] Chen, Y. C., Cao, W. W., Cao, Y., Zhang, L., Chang, B. B., Yang, W. L.,
and Liu, X. Q. “Using neural networks to determine the contribu-tion of danshensu to its multiple cardiovascular activities in acute myocardial infarction rats”, J. Ethnopharmacol., vol. 138, pp.
126-134, 2011. doi: 10.1016/j.jep.2011.08.069
[11] Mager, D. E., Shirey, J. D., Cox, D., Fitzgerald, D. J., and Abernethy
D. R., “Mapping the dose-effect relationship of Orbofiban from sparse data with an artificial neural network”, J. Pharm. Sci., vol.
94, pp. 2475-2486, 2005. doi: 10.1002/jps.20384
[12] Albert, A., Serrano, A. J., Soria, E., and Jiménez, N. V., “Clinical
decision support system to prevent toxicity in patients treated with digoxin”, Intelligent medical technologies and biomedical engi-neering: Tools and applications, Medical Information Science
Reference, pp. 1-21, 2010. doi: 10.4018/978-1-61520-977-4.ch001
[13] Masetic, Z., and Subasi, A., “Congestive heart failure detection
using random forest classifier”, Comput. Methods Programs
Biomed. Vol. 130, pp. 54-64, 2016. doi: 10.1016/j.cm
pb.2016.03.020
[14] Mateo, F., Gadea, R., Medina, A., Mateo, R., and Jimenez, M.,
“Predictive assessment of ochratoxin A accumulation in grape juice based-medium by Aspergillus carbonarius using neural
net-works”, J. Applied Microbiology, vol. 107, pp. 915-927, 2009. doi:
10.1111/j.1365-2672.2009.04264.x
[15] Mateo, F., Gadea, R., Mateo, E. M., and Jimenez, M., “Multilayer
perceptron neural networks and radial-basis function networks as tools to forecast accumulation of deoxynivalenol in barley seeds contaminated with Fusarium culmorum”, J. Food Control, vol. 22,
pp. 88-95, 2011. doi: 10.1016/j.foodcont.2010.05.013.
[16] Mateo, F., “Redes neuronales y preprocesado de variables para
modelos y sensores en bioingeniería”, Tesis de doctorado,
Universidad Politécnica de Valencia, 2012. doi: 10.4995/
Thesis/10251/16702
[17] Hagan, M., “Neural network design”, ISBN: 978-097-1732-11-7,